« On va entraîner l’IA avec nos données. » La phrase revient chez presque tous les hébergeurs qui découvrent les chatbots IA. Elle repose sur un malentendu.
En 2026, entraîner un LLM n’est ni ce qu’on vous vend, ni ce dont vous avez besoin. Voici la vraie mécanique, et pourquoi elle vous simplifie la vie.
À retenir
- Pré-entraînement, fine-tuning, RAG : trois choses distinctes
- Pour un hébergeur, le RAG est la seule approche pertinente
- RAG = votre base de connaissances + le LLM = réponses précises
- Construire une bonne base prend 2 à 4 heures, pas des mois
- La précision progresse chaque semaine si vous enrichissez la base
« Entraîner le chatbot » : trois choses confondues
Sous le même mot se cachent trois opérations qui n’ont rien à voir.
| Opération | Qui la fait | Ce que ça vous demande |
|---|---|---|
| Pré-entraînement | OpenAI, Anthropic, Mistral, Meta | Rien : le travail est déjà fait |
| Fine-tuning | L’éditeur du chatbot, ou vous | Des milliers d’exemples annotés |
| RAG | Vous, sans écrire une ligne de code | Vos documents existants |
Le pré-entraînement. C’est la formation initiale du LLM sur des milliards de textes : Wikipédia, livres, sites web, code. Des dizaines de millions d’euros et des mois de calcul. Vous n’y participez pas et n’en avez pas besoin.
Le fine-tuning. C’est l’ajustement du modèle sur un jeu de données spécialisé, pour lui donner un style ou une expertise. Coûteux, lent, gourmand en exemples annotés. Rarement pertinent pour un hébergeur individuel.
Le RAG. Retrieval-Augmented Generation : le modèle reste inchangé, il sert de moteur linguistique. Vous lui fournissez une base de connaissances et il y puise les passages utiles à chaque question. C’est ça que vous utilisez réellement.
Quand Groomy dit que votre agent « apprend » votre établissement, il s’agit de RAG. Vous enrichissez la base, l’agent répond mieux. Pas de réentraînement, pas de coût supplémentaire.
Les trois niveaux comparés en un tableau
Le détail, critère par critère.
| Pré-entraînement | Fine-tuning | RAG | |
|---|---|---|---|
| Qui le fait | Anthropic, OpenAI, Mistral | L’éditeur du chatbot ou vous | Vous (avec outils no-code) |
| Coût | Millions d’euros | Milliers d’euros | Inclus dans l’abonnement |
| Durée | Mois | Jours-semaines | Minutes |
| Nécessite | Supercalculateurs | Milliers d’exemples annotés | Vos documents existants |
| Bénéfice pour vous | Langage naturel fluent | Style/vocabulaire spécifique | Réponses précises sur votre établissement |
| Recommandé pour un hébergeur | N/A | Non | Oui |
Pourquoi le RAG gagne. Il résout exactement le problème de l’hébergeur : l’IA sait parler, mais elle ne connaît pas votre wifi, vos horaires, votre politique animaux. La base de connaissances comble ce manque.
Comment le RAG répond sans halluciner
Trois étapes s’enchaînent à chaque question posée.
| Étape | Ce qui se passe |
|---|---|
| 1. Récupération | La question est comparée aux passages de votre base ; les 3 à 10 plus pertinents ressortent |
| 2. Augmentation | Ces passages sont transmis au LLM avec la question, comme contexte |
| 3. Génération | Le LLM formule sa réponse à partir de ces passages, et de rien d’autre |
Ce mécanisme garantit que l’agent :
- ne répond que sur ce qui est dans votre base ;
- cite ses sources, c’est-à-dire vos documents ;
- dit « je ne sais pas » si la réponse n’existe pas ;
- n’invente aucune information sur votre établissement.
C’est très différent d’un LLM « libre », capable de produire des informations plausibles mais fausses sur votre maison.
Pratique chez Groomy : la base de connaissances indexe vos PDF, votre site et vos FAQ en quelques minutes. Chaque réponse affiche sa source. Les questions restées sans réponse remontent au tableau de bord.
Construire sa base : trois types de contenus
Une base utile mélange trois matières premières.
| Type de contenu | Exemples | Ce que vous faites |
|---|---|---|
| Documents structurés | Livret d’accueil PDF, FAQ, règlement intérieur | Vous les importez, l’indexation est automatique |
| Votre site web | Descriptions de chambres, services, tarifs | Vous donnez l’URL, à recrawler après chaque mise à jour majeure |
| Q/A manuelles | Questions fréquentes mal couvertes par vos documents | Une question, une réponse de 2 à 5 phrases |
Trois Q/A manuelles qui fonctionnent bien :
- « Y a-t-il des restaurants à proximité ? » → 3 ou 4 adresses, type de cuisine, distance.
- « Comment accéder au parking ? » → procédure exacte, code de barrière si nécessaire.
- « Le petit-déjeuner est-il inclus ? » → précision par type de chambre.
Qualité plutôt que volume. Trente Q/A précises surpassent deux cents réponses vagues. Chaque entrée doit répondre à une vraie question de client par une vraie information concrète. Bannissez les « nous faisons de notre mieux pour… ».
Le calendrier de mise à jour
Une base non maintenue se dégrade vite. Trois rendez-vous suffisent.
| Fréquence | Ce que vous traitez |
|---|---|
| Chaque semaine | Les questions restées sans réponse, remontées par le tableau de bord |
| Chaque mois | Les informations saisonnières : horaires d’été et d’hiver, animations |
| À la demande | Chaque changement de tarif, de politique ou d’offre |
Quatre erreurs qui plombent la précision
Elles reviennent presque toujours dans le même ordre.
| Erreur | Ce qu’elle produit | Le correctif |
|---|---|---|
| Copier-coller du site en bloc | Extractions floues à partir de pages mal structurées | Segmenter (une section = un sujet) ou compléter par des Q/A |
| Informations contradictoires | « Check-in à 15 h » dans la base, « 14 h » dans le PDF : réponse incohérente | Unifier les sources avant l’import ; la Q/A manuelle prime |
| Base figée | Un ancien tarif annoncé, un service supprimé toujours proposé | Un référent interne, cinq minutes de revue par semaine |
| Réponses trop génériques | « Nous sommes à disposition » n’aide pas le modèle à être précis | Écrire des réponses factuelles, chiffrées, datées |
Pour aller plus loin
- La définition de tous les termes dans notre glossaire de l’IA en tourisme.
- Le fonctionnement d’ensemble : comment fonctionne un chatbot IA conversationnel.
- Pour construire votre base dès maintenant : la base de connaissances Groomy.
Questions fréquentes
Un LLM open source est-il aussi bon qu’un LLM propriétaire ? Pour l’usage tourisme, les meilleurs modèles open source (Mistral, Llama 3) sont très proches des modèles propriétaires sur les tâches conversationnelles en français. Leur intérêt principal reste la maîtrise du parcours des données, puisque vous choisissez l’infrastructure sur laquelle le modèle tourne.
Combien de documents peut-on mettre dans la base ? Il n’y a pas de limite dure, mais au-delà d’un certain volume la qualité de la récupération baisse. L’optimum pour un hébergeur : 1 à 5 documents structurés et 30 à 100 Q/A manuelles. Au-delà, segmentez par thème.
La base de connaissances est-elle commune à tous les établissements ? Non. Chaque établissement dispose d’une base isolée. Vos conversations ne servent jamais à entraîner un modèle tiers ni à alimenter la base d’un autre client.